>


他老早就找豆包，恶补了人工智能的发展史。



深度学习和神经网络之所以在2010年之后才开始大爆发，并不是因为算法突然取得了什么逆天的理论突破。



纯粹是因为算力终于跟上了。



在豆包提供的未来时间线里，拯救人工智能算力危机的，是英伟达的gpu。也就是大家俗称的显卡。



gpu这玩意儿，天生就是用来做大规模并行计算的。



再后来，谷歌为了搞定自家的算法和推荐系统，干脆自己下场研发了tpu，一种专门为ai定制的专用芯片。



夏冬的手指在桌面上轻轻敲击着，发出有节奏的哒哒声。



“陈默，泽明，你们有没有想过，”夏冬终于开口了，目光扫过两位技术大拿，“为什么我们堆了那么多顶配的cpu，算力依然捉襟见肘？我们的算法，到底在让这些cpu干什么活？”



陈默皱着眉头想了想：“主要就是神经网络的层级计算，里面全是大规模的矩阵乘法。”



“对，问题就出在这里。”



夏冬停止敲击桌面，“cpu的架构设计初衷是什么？是处理复杂的控制逻辑，它里面有大量的分支预测、指令调度单元。”



“打个比方，cpu就像是一个精通微积分的大学老教授。你让他解多复杂的数学题他都会。”



为了让非纯技术的苏晚晴也能听懂，夏冬顿了顿，摊开双手继续说道：“但是，我们推荐算法需要的，是极其海量、极其枯燥的简单矩阵乘法。”



“这等于你雇了一万个大学老教授，每天让他们坐在办公室里算一加一等于几。”



陈默和吴泽明愣了一下。



“他们能算，”夏冬一针见血地指出，“但是效率极低，而且成本高得离谱。大炮打蚊子，从根源上就错了。”



两位顶尖的技术大拿对视了一眼，脑子里仿佛劈过一道闪电。



陈默喃喃自语：“所以……通用的cpu，从硬件物理架构上就不适合跑我们的算法？”



“没错。”夏冬顺势抛出一个引导性的问题，“既然一个精通微积分的老教授算得慢，那我们找一万个只会算乘法的小学生来并行计算呢？”



“我们需要的是高并发、低逻辑复杂度、海量的浮点运算单元……”



吴泽明推了推眼镜，眉头微皱，大脑在疯狂检索现有的硬件架构：“夏冬，你说的这种硬件特征，听起来怎么那么像电脑里的显卡？”



“确切地说，是gpu。”夏冬打了个响指，“泽明抓住了盲点。”



夏冬表情淡定，内心其实正在快速梳理之前用豆包查阅的资料。



早在2007年，英伟达就推出了cuda架构，让gpu不仅仅能打游戏渲染图像，还能进行通用计算。



现在这个时间节点，多伦多大学的hton团队、斯坦福大学的吴恩达，其实已经开始尝试用gpu加速神经网络训练了。



效率足足比cpu高出了几十倍。



到了2011年，吴恩达更是用12块gpu，生生跑出了相当于2000个cpu的深度学习算力。



这就是降维打击。